基于级联过滤DTW的学习风格挖掘算法研究

发布时间：2024-03-30 18:18

　　自适应学习作为未来影响高等教育发展的关键技术之一,成为教育领域研究的新热点。实施自适应学习的基础在于把每一位学习生当作独特的个体。传统的教育方式并没有考虑学习者对于知识的接纳或吸收方式是不同的。影响最为重大的莫过于学习者的学习风格。学习风格是影响学习者学习质量和效率的重要因素,它决定了学习者适合怎样的学习路线和学习策略。契合的学习策略可以极大地提高学习者的学习兴趣和学习效率。因此针对不同风格的学习个体实施个性化辅助方式是教育大数据工作下的研究热点之一。然而,现有研究大多基于问卷调查或学习者各项网络活动的频率统计,对学习者群体进行风格判断与分类。这些方法忽略了学习者学习过程中的行为规律,并且从结果出发得到的学习风格无法体现学习者的真实行为规律。所以需要一种新的学习风格模型和分析手段,去配合自适应个性化学习的开展。基于学习风格模型的优化,提出一种基于过程的等级偏好学习风格模型。模型通过对学习者的在线学习行为数据进行分析,计算其视听、读写和互动三个维度的偏好值,进而按照等级划分,对其学习风格类型进行判定。通过验证实验证明,等级偏好模型具有较为全面的覆盖度,并且其分类结果与机器学习等聚类算法的...

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

图1-1在线学习活动分析框架

基于级联过滤DTW的学习风格挖掘算法研究2数据类型中应用效果不佳[15]。由于采用欧式距离度量方式，使得无法较好地保留数据的时间特性，因此直接使用传统机器学习算法的效果并不理想。而动态时间归整（DynamicTimeWarping，以下简称DTW）算法可以在一定程度上弥补这一劣势....

图1-2个性化在线教育框架

基于级联过滤DTW的学习风格挖掘算法研究3目前已有大量基于学习者在线行为的时间序列数据出发，从多方面出发探索学习者线上学习行为与学习表现之间的关系。对现有研究方法进行总结可以得出常用的分析路径，根据当前研究可以得出个性化在线教育框架如图1-2所示[22-24]。除此以外，在不同的....

图1-3动态时间归整与传统算法融合形式

基于级联过滤DTW的学习风格挖掘算法研究6动态时间归整算法的思想是对传统机器算法进行核替换，然后将传统算法应用在时间序列数据中。例如，基于高斯DTW的SVM语音识别算法，利用高斯DTW核将变量特征投影至高维空间，投影后在高维空间中应用SVM算法对语音数据进行辨别与分类[57]；基....

图2-1个性化在线教学框架

基于级联过滤DTW的学习风格挖掘算法研究10综上所述，个性化的学习理论是以学习者的在线行为数据为出发点，从中挖掘具有分析价值的信息。通过这些信息的反馈帮助学习者以及教师了解学习者的实际情况、风格类型以及适应路线等，从而提供出准确的辅助教学手段。而作为学习者本身，也可以通过这些数据....

本文编号：3942757